Robust Invertible Image Steganography

图1 基于条件流模型的强鲁棒性图像隐写系统框架图

图像隐写术(Image Steganography)旨在隐秘地将隐藏信息嵌入到一张与宿主图像近似的容器图中。此前的隐写方案通常将隐写和重建视为两部分网络进行构建，难以同时保证可靠的重建质量和隐秘性；现有技术对网络传输中的噪声和压缩也相当敏感，容器图上轻微的干扰即可能影响重建质量。如图1所示,论文“Robust Invertible Image Steganography”提出了一种可逆图像隐写方法，通过设计条件标准化流模型（Conditional Normalizing Flow），将图像的隐写和解密视作一对逆问题加以联合高效求解。为了提升隐写容量和重构质量，论文提出了分布映射模块，能够给重建过程提供有效引导，从而保留隐藏图的更多高频信息。同时，在端到端训练中引入了对各类失真的模拟，在重建网络中设计了图像增强模块以提升鲁棒性。综上，论文构建了一个强鲁棒性的高效图像隐写框架，在水印鉴权、换脸检测、屏显隐藏图像等方面有着广泛应用。

针对传统图像隐写方法对高斯噪声、泊松噪声和有损压缩鲁棒性差的问题，提出了一种基于流的鲁棒可逆图像隐写框架RIIS。框架如下图

一、方法概述：
基于流的可逆块将输入的[ X s , X h ] [X_s,X_h][X 
s
​
 ,X 
h
​
 ]映射到高频h_f和载体图像y中。CANP基于从y中提取的特征将h_f映射到（服从）类似高斯噪声分布的z变量。只有y通过互联网传输，然后接收方将得到失真的y ′ y'y 
′
 (为了输入方便，这里用y’代替图中y~)图像，通过特征增强模块以消除噪声和jpeg压缩的影响，随后从y ′ y'y 
′
 中提取的特征和重新采样后经过CANP模块的z ′ z'z 
′
 和h f ′ h_f'h 
f
′
​
 ，与增强的容器y ′ y'y 
′
 一同输入backward块中，得到了恢复的秘密和host图像[ X s ′ , X h ′ ] [X_s',X_h'][X 
s
′
​
 ,X 
h
′
​
 ]

可以隐藏多张secret到一张cover

对网络的3个部分做了消融实验，分别是CANP（内容感知噪声映射层），CEM（载体增强模块）和DGM（失真引导模块）

1. CANP（内容感知噪声映射层）
将h f h_fh 
f
​
 与y yy的条件特征（图中绿色Feature Extractor）投影到z。在正向转换过程中，CANP可以将输入的图像对[ x s ， x h ] [x_s，x_h][x 
s
​
 ，x 
h
​
 ]转换为容器图像y和近高斯随机变量z。给定容器y yy和从N（0，I）得到的随机样本z ′ z'z 
′
 ，双射RIIS可以在反向传递中生成[ X s ′ , X h ′ ] [X_s',X_h'][X 
s
′
​
 ,X 
h
′
​
 ]。

图中绿色Feature Extractor，是一个残差块，用于从y中提取特征，来输出h f h_fh 
f
​
 ，作者认为h f h_fh 
f
​
 高度依赖y。

上图为CANP结构，将从y中提取的特征和部分h f h_fh 
f
​
 映射到近高斯随机变量z

2. CEM（载体增强模块）用于消除收到的载密图像噪声以及jpeg压缩失真影响。
3. DGM（失真引导模块），根据输入的不同高斯噪声和jpeg压缩操作调整网络参数
二、实验设置
训练数据集：div2k
评估指标：PSNR 最高44.19
对比对象：ISN
损失函数：

L r e v L_{rev}L 
rev
​
 ：原始和恢复的host和secret图像差距（恢复正确性）
L C E M L_{CEM}L 
CEM
​
 ：尽可能恢复受损的container y yy
L d u s t r L_{dustr}L 
dustr
​
 ：使z的分布尽可能接近高斯分布，CE为交叉损失熵
L c o n L_{con}L 
con
​
 ：生成的container尽可能接近host（空域），使用FFT是为了保证在频域上也接近（衡量不可见性）
最后的损失函数为：

————————————————
版权声明：本文为CSDN博主「岁月漫长_」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40859587/article/details/129284552